Создание модели компетенций по технологии BigData HR

Этот пост носит как самостоятельный характер (и будет интересен специалистам по оценке персонала), так и как завершение трилогии с постами

Анализ критериев успешности продавцов

Критерии отбора торговых представителей

Данный пост носит общий характер – основные этапы разработки модели компетенций по технологии BigData HR. Просто показ на примере кейса, как можно (и нужно) разрабатывать модель компетенций. Я опускаю математические расчеты, полагая, что дал часть в предыдущем посте, а также думаю, что вы можете понять это сами, изучив метода математической статистики самостоятельно или на семинаре по аналитике. 

В вводной также надо отметить, что термин «модель компетенций» - это очень условное название, я его применил лишь для того, чтобы была понятна смысловая нагрузка этого термина по аналогии с тем, что сейчас называется моделью компетенций. На самом деле можно говорить о модели предикторов, модели предсказания успешности поведения сотрудников. 

Основная задача такой модели – предсказывать успешность / не успешность деятельности сотрудников. 

Модель обладает такими свойствами:

• Она показывает уровень соответствия модели реальности
• Модель должна содержать показатели успешности. К ним могут относиться уровень продаж, количество ошибок, выполнение KPI, а также оценки экспертов – «лучших», «худших» исполнителей и т.п.
• Модель должна содержать предикторы – атрибуты деятельности специалистов / самих специалистов, которые влияют на успешность выполнения деятельности. 
• К предикторам могут относиться как компетенции (в понимании компететнтностного подхода), так и социально – демографические характеристики специалиста (пол, возраст, образование и т.п.), результаты тестирования, и вообще все, что так или иначе взаимосвязано с успешностью выполнения деятельности.
• Предикторы могут иметь разный вес влияния на показатели успешности. Вместе предикторы образую уравнение, по которому можно предсказывать успешность выполнения деятельности.

Кейс – пример

В основе кейса данные поста Критерии отбора торговых представителей (см. таблицу). Если вас заинтересовала модель – собирайте данные и присылайте для анализа.

1. Данные для модели

У нас есть 15 продажников, которые имеют показатели производительности и девять измеренных переменных:

• Возраст
• Стаж работы в продажах
• Семейное положение
• Пол
• Тип личности
• Склонность к продажам
• Показатель заинтересованности по тесту Кэмпбелла Стронга
• Показатель заинтересованности по тесту Вандерлика

Примечание: нас не интересует, почему были взяты те или иные тесты, мы принимаем это как данность (но конечно, если мы работаем непосредственно в вашей компании, то содержательная сторона становится очень важной - и успешность модели зависит от того, что мы будем измерять)

2. Определение предикторов

Из массива в девять переменных мы путем математических операций получаем вот такую модель

Из девяти переменных на успешность продаж влияют две: Показатель заинтересованности по тесту Вандерлика и тип личности «Восприимчивый»

Эта модель объясняет реальное положение дел примерно с показателем 0, 525 (в данном посте я не обсуждаю математическую сторону вычислений, иначе это заняло бы много времени) – т.е. чуть более половины результатов сотрудников можно предсказать.

Нас это не устраивает, и мы продолжаем поиски (не устраивает нас это в данном кейсе, хотя в реальной практие показатель 0, 525 достижим нечасто, и если мы выйдем на него, то уже можем считать, что поработали не зря).
Хотел бы также отметить, что уже большим результатом является выявление тех переменных, которые не имеют взаимосвязи с показтелями деятельности. Это позволяет избегать принятия решения на необоснованных данных, экономить время на сборе ненужной информации, оптимизирует затраты на проведение невалидных процедур оценки. С позиции этого понятно, какой анализ был проведен в компании Google, когда там отказались от использования задачек - головоломок при приеме на работу, см. В Head-Hunting Big Data может быть не такой уж сложной задачей

3. Новая переменная

В ходе вычислений мы понимаем, что измеренных переменных не хватает для модели, и мы вычисляем латентную переменную – которую невозможно измерить непосредственно.

Мы находим, что эта переменная есть уравнение из измеримых переменных:

1. Стаж в сфере продаж
2. Тип личности «восприимчивый»
3. Семейное положение

Мне представляется возможным обозначить эту латентную переменную «Личностная зрелость» 

4. Итоговое уравнение

Успешность в продажах у нас определяется двумя предикторами:

1. Показатель заинтересованности по тесту Вандерлика 
2. и переменной, которую я назвал «Личностная зрелость»

Эта модель уже имеет показатель близкий к 0, 8 и обладает высокой прогностической ценностью

Резюме

Эта технология может включать в себя стандартные методы разработки модели компентций, такие как, например, ИПП – интервью по получению поведенческих примеров. Но в отличие от прежней технологии в BigData HR полученные поведенческие примеры принимаются только как гипотезы о влиянии на показатели деятельности, которые надо доказывать. Кроме того, в BigData HR предикторы могут быть лишь неким признаком причинности – нам не обязательно понимать, что за реальный фактор стоит за признаком, главное, что он есть и помогает предсказывать.

Но ценность «модели компетенций» по технологии BigData HR несравнимо выше стандартно принятой модели.
См также
Кейс "Связь оценки по компетенциям и результатов деятельности"
Кейс "Оценка эффективности и компетенций ИТР"
Жду ваших кейсов и жду на своем семинаре Аналитика для HR